K-means-klusterointi

K:n arvo on tärkeä parametri. Yleisiä menetelmiä K:n valitsemiseen ovat:

• Kyynärpäämenetelmä: Piirretään klusterin sisäinen neliösumma (WCSS) eri K-arvoilla ja etsitään kyynärpääkohtaa.
• Siluettipistemäärä: Mittaa, kuinka hyvin klusterit erottuvat toisistaan.

Tarkastellaan datajoukkoa, jonka pisteet sijoittuvat kaksiulotteiseen avaruuteen. Kullakin pisteellä on:

• X: Vaakasuoran akselin koordinaatti.
• Y: Pystysuoran akselin koordinaatti.

K-Means ryhmittelee nämä pisteet klustereiksi niiden läheisyyden perusteella.

Algoritmin toteuttamiseen käytetään scikit-learn-kirjaston KMeans-luokkaa:

from sklearn.cluster import KMeans
import numpy as np

# Example dataset
X = np.array([[1, 2], [1, 4], [1, 0], [4, 2], [4, 4], [4, 0]])

# K-Means model
kmeans = KMeans(n_clusters=2, random_state=0)
kmeans.fit(X)

print("Cluster Centers:", kmeans.cluster_centers_)
print("Labels:", kmeans.labels_)

Klusterit voidaan visualisoida piirtämällä datapisteet ja sentroidit:

import matplotlib.pyplot as plt

# Scatter plot of data points
plt.scatter(X[:, 0], X[:, 1], c=kmeans.labels_, cmap='viridis')

# Plot cluster centers
plt.scatter(kmeans.cluster_centers_[:, 0], kmeans.cluster_centers_[:, 1], s=200, c='red', marker='X')
plt.title('K-Means Clustering')
plt.show()

K-Meansilla on useita etuja:

• Se on yksinkertainen ja helppo toteuttaa.
• Se on tehokas suurilla datajoukoilla.
• Se toimii hyvin, kun klusterit ovat selkeästi erottuvia.

K-Meansin rajoituksia ovat muun muassa:

• Herkkyys sentroidien alkuperäiselle sijoittelulle.
• Vaikeudet epäpallomaisten klustereiden käsittelyssä.
• Herkkyys poikkeamille ja kohinaiselle datalle.

Tässä oppitunnissa käsittelimme seuraavia aiheita:

• K-Means-klusteroinnin toimintaperiaate.
• Klusterien määrän valitseminen kyynärpäämenetelmän kaltaisilla menetelmillä.
• K-Meansin toteuttaminen ja visualisointi Pythonilla.

Seuraavaksi sovellamme K-Meansia tosielämän tietojoukkoon käytännön kokemuksen kartuttamiseksi.